Neue Tools für Deep Learning und autonomes Fahren

Neue Tools für Deep Learning und autonomes Fahren

Mathworks stellt das Release 2018a (R2018a) mit einer Reihe neuer Funktionen in Matlab und Simulink vor.

 (Bild: MathWorks GmbH)

(Bild: MathWorks GmbH)

R2018a enthält u.a. die Predictive Maintenance Toolbox zum Entwerfen und Testen von Algorithmen für die Zustandsüberwachung und Predictive Maintenance und das Vehicle Dynamics Blockset für die Modellierung und Simulation von Fahrzeugdynamik in einer virtuellen 3D-Umgebung. Zusätzlich enthält dieses Release Updates und Fehlerbehebungen für 94 weitere Produkte. Mit der Predictive Maintenance Toolbox können Ingenieure Daten kennzeichnen, Zustandsindikatoren entwerfen und etwaige Störfälle bei Maschinen voraussagen und vermeiden. Zur Analyse können Maschinendaten aus lokalen Dateien, Cloud-Storage und verteilten Dateisystemen importiert werden. Die Toolbox enthält Referenzbeispiele für Motoren, Getriebe, Batterien und andere Maschinen, die hilfreiche Richtwerte für die Entwicklung eigener prädiktiver Wartungs- und Zustandsüberwachungsalgorithmen zur Verfügung stellen. Weitere Updates des Release 2018a im Bereich Datenanalyse umfassen die Möglichkeit, Daten hoher Dichte mithilfe von Streudiagrammen zu visualisieren. Texte können ab sofort noch genauer analysiert werden, denn die Text Analytics Toolbox erkennt nun Sätze, E-Mail-Adressen und URLs und kann Ausdrücke aus mehreren Worten extrahieren und zählen.

Neue Funktionen im Bereich Deep Learning

Die Neural Network Toolbox stellt nun ein Support-Paket bereit, mit dem man Deep-Learning-Schichten und -Netze, die in TensorFlow-Keras entworfen wurden, implementieren kann. Optimisierungstechniken wie Adam, RMSProp und Gradienten-Clipping sorgen für ein besseres Trainieren von Netzen. Zudem lassen sich Netze in Form gerichteter, azyklischer Graphen (DAG) unter Verwendung mehrerer GPUs beschleunigt Trainieren. Die Computer Vision Toolbox stellt nun die Image Labeler App zur Verfügung, mit der die Pixel-genaue Kennzeichnung für die semantische Segmentierung automatisiert werden kann. Mit dem GPU Coder stellt MathWorks ein Tool bereit, das Deep-Learning-Algorithmen automatisch zu CUDA-Code umwandelt. So können die Algorithmen direkt auf der GPU ausgeführt werden. Mit Release 2018a werden nun auch Netze mit Topologien in Form gerichteter, azyklischer Graphen (DAG) sowie vortrainierte Netze wie GoogLeNet, ResNet oder SegNet unterstützt. Neu ist zudem die Generierung von C-Code für Deep-Learning-Netze auf Intel- und ARM-Prozessoren.

Thematik: Newsarchiv
|
Ausgabe:
MathWorks GmbH
www.mathworks.de

Das könnte Sie auch Interessieren